Cортировка на основе гиперспектральных данных для повышения эффективности

Автоматизированный процесс разделения объектов по одному или нескольким измеряемым параметрам. Такие системы востребованы во многих отраслях: они удаляют некачественные компоненты с производственной линии, разделяют материалы на перерабатывающих предприятиях и выявляют загрязненные пищевые продукты.

Автоматизированная сортировка использует датчики или камеры для сбора данных и распознавания объектов, после чего сортировочный механизм физически разделяет их. Замена ручного труда автоматизацией дает целый ряд преимуществ. Для получения сведений об объектах могут применяться различные технологии, датчики и алгоритмы. Например, системы оптической сортировки используют обычные RGB-изображения и разделяют объекты по цвету и форме.

Другие решения – на основе рентгеновского излучения или расширенного оптического анализа, включая инфракрасную спектроскопию и гиперспектральную съемку (HSI), - обеспечивают более точное различение объектов при решении сложных сортировочных задач.

Появление компактных переносных HSI-камер, работающих в реальном времени, позволяет разлагать регистрируемый свет на значительно большее число спектральных каналов и создавать более совершенные системы интеллектуальной сортировки. Это дает возможность как повысить эффективность обычной оптической сортировки, так и реализовать новые сценарии, требующие расширенных оптических данных.

Основные компоненты системы умной сортировки

Прежде чем сравнивать сенсорные технологии и их преимущества и недостатки, рассмотрим принцип работы интеллектуальной сортировки. Такая система включает четыре основных компонента:

• Система подачи: Обычно это конвейерная лента или желоб, перемещающий объекты мимо датчика и далее через участок разделения. Система должна равномерно распределять объекты в один слой, чтобы датчик мог проверить каждый из них по отдельности;
• Датчик: Технология, собирающая данные для классификации и сортировки объектов. Конкретный датчик выбирают в зависимости от требуемых признаков — например, цвета и формы либо химического состава;
• Обработка данных: Программное обеспечение в реальном времени обрабатывает и анализирует исходные данные датчика, определяет свойства каждого объекта и относит его к соответствующему классу. Для высокой точности и производительности обработка должна быть одновременно быстрой и надежной. Сложность анализа зависит от сенсорной технологии и доступных данных;
• Система разделения: После обработки объекты сортируются в соответствии с присвоенным классом. Разделение может быть реализовано различными способами и требует физического воздействия: объект, например, удаляется из потока, остается на линии либо направляется на другую линию. Для этого применяют механические устройства или струи сжатого воздуха.

Совместная работа этих четырех компонентов позволяет эффективно автоматизировать разделение объектов и материалов, обрабатывая тысячи единиц в минуту при сохранении чрезвычайно высокой точности.

Технологии умной сортировки

Оптическая сортировка по RGB-изображениям

Система анализирует цвет и форму каждого объекта. Для такой сортировки требуется сравнительно простое оборудование – достаточно RGB-камеры, однако необходим довольно сложный компьютерный анализ, преобразующий массив цветовых значений пикселей в выделенные объекты. RGB-системы широко используются для базовой классификации по внешнему виду и позволяют быстро принимать простые решения, когда объекты заметно различаются визуально.

Инфракрасная спектроскопия

Эта технология выходит за рамки обычной информации о цвете и анализирует объекты по отраженному инфракрасному излучению. Инфракрасная спектроскопия позволяет выявлять некоторые химические свойства, например плотность или содержание влаги. Ее часто применяют при более сложных критериях сортировки – в частности, для разделения полимеров одинакового цвета при переработке отходов.

Рентгеновский анализ

Рентгеновский анализ измеряет флуоресценцию и прохождение излучения, чтобы идентифицировать объекты по химическому составу. Взаимодействуя с различными материалами, рентгеновское излучение выявляет характерные структурные свойства, включая плотность. Рентгеновские сортировочные системы применяются, например, для различения металлов в медицинских задачах.

Умная сортировка по гиперспектральным данным

Гиперспектральная съемка выявляет спектральные признаки в видимом и ближнем инфракрасном (NIR) диапазонах, связанные с химическими свойствами материалов. Благодаря этим данным интеллектуальную сортировку можно выполнять на основе углубленного спектрального анализа. Более информативные оптические наборы данных позволяют гиперспектральной съемке улучшать результаты RGB-сортировки и служить альтернативой инфракрасным и рентгеновским методам.

Ранее гиперспектральным камерам было сложно выдавать и анализировать огромные массивы данных с быстродействием, необходимым для работы в реальном времени. Однако развитие snapshot гиперспектральной съемки и методов сжатия данных позволило создать камеру Living Optics.

Камера Living Optics формирует 30 гиперспектральных кадров в секунду, имеет компактный переносной корпус и встроенные вычислительные средства для локального анализа данных. Благодаря этому ее производительности достаточно для применения в системах интеллектуальной сортировки.

Подробные гиперспектральные данные также позволяют автоматизировать обработку изображений и классификацию объектов с помощью менее крупных алгоритмов, чем при работе с RGB-данными. Компьютерное зрение получает спектральную информацию по всему изображению и различает объекты не только по цвету и форме.

Применение гиперспектральных систем умной сортировки

Сортировочные системы на основе гиперспектральной съемки могут использоваться в различных отраслях:

• Пищевая промышленность: Сортировка продуктов для обеспечения качества и предотвращения попадания дефектной продукции на полки магазинов. Подробные спектральные данные также позволяют классифицировать продукты по сортам для динамического ценообразования или более точной оценки срока хранения;
• Переработка отходов: Быстрое распознавание разных видов перерабатываемых материалов и даже разделение их по уровню качества, что повышает эффективность и результативность переработки;
• Сельское хозяйство: Удаление дефектных семян и обнаружение сорняков для поддержания здоровья культурных растений;
• Фармацевтика: Контроль качества и правильности маркировки: визуализация таблеток для обнаружения возможных дефектов и проверка соответствия упаковки указанному лекарственному препарату.

Камера Living Optics

Камера Living Optics предоставляет гиперспектральные данные в реальном времени и выполняет локальные вычисления для оперативной сегментации изображений и классификации объектов, расширяя возможности умных сортировочных систем. Технология моментальной съемки упрощает оптическую схему камеры, обеспечивая надежность и компактность устройства, которое легко интегрировать в существующие сортировочные линии.

Камера Living Optics позволяет модернизировать сортировочные системы и дополнить их спектральной информацией в реальном времени. Гиперспектральные камеры нового поколения делают эту технологию доступной для более широкого круга пользователей и задач.

Материал подготовлен по статье Living Optics, “Smart Sorting Based on Hyperspectral Datasets for Improved Performance”.

Источник изображений: Living Optics.